电商数据分析

一、项目介绍

1. 数据来源：Kaggle
2. 数据内容：2010年12月1日至2011年12月9日在英国注册的非实体网上零售发生的所有交易。
3. 公司背景：公司主要销售独特的全天候礼品。该公司的许多客户都是批发商。

字段：

• InvoiceNo：订单编号，每笔交易有6个整数，退货订单编号开头有字母‘c’
• StockCode：产品编号，有5个整数组成
• Description：产品描述
• Quantity：产品数量，有负号的表示退货
• InvoiceDate：订单日期和时间
• UnitPrice：单价（英镑），单位产品的价格
• CustomerID：客户编号，每个客户编号由5位数字组成
• Country：国家的名称，每个客户所在国家/地区的名称

二、项目内容

 三、分析目的

1、查看该公司销售情况

2、多维度了解用户消费行为

3、RFM用户分类

4、问题与建议

四、分析结果、问题与建议

1、现状分析

        ①该公司主要销量和交易额区域为英国，且远远高于其他国家，根据数据来源背景可知该公司经营方向侧重于英国国内，其他国家相对关注不多，数据表现正常。

        ②该公司11-9月的销售量远高于其他月份，重点关注11-9月，冬季为销售旺季，11月为峰值。

2、用户消费行为

        ①用户平均消费4次，有的客户甚至消费高达210次，是产品的忠诚客户

        ②平均消费金额为2053元、75%的客户消费金额只有1661，可见部分用户消费金额较大，属于非常有价值的用户，需要重点保持关注。

        ③用户购买数量平均高达1194件，由于销售对象主要是批发商，正常。

3、数据探索

        3.1描述性统计分析

                ①单价、数量最小值都是负数。

                ②数量为负数，有退货情况，退货的数据，分析时需要剔除。

                ③单价不可能为负数，有可能是坏账，促销赠品单价为零是有可能的。

        3.2UnitPrice分类，查看单价异常情况

                ①单价为0和负数的个数，观察数据异常比率，仅0.00468，很小，可以去除

        3.3退货情况

                ①针对退货订单2011年1月和12月退货率存在异常，需要了解是外部因素还是内部因素导致的，需要从产品渠道价格促销四个方面分析找到原因进行改进。

4、用户分类

        4.1RFM模型

                ①R：直方图显示分布波动较大，最近一次消费时间集中在最近三个月。用户平均92天未消费，最大值373天未消费，客户价值不大。

                ②F：查看分位数情况，人均消费两次，最大值为1428，异常值严重

                ③M：均值2000左右，查看M_value<2000的分布，异常值不严重

                * 对数据进行离散化处理，解决异常值影响。

        4.2用户等级情况

        ①用户分层得到8个类别客户，根据柱图可知重要价值、重要发展、一般挽留、一般发展客户四类客户数量差异较小，且远高于其他四类客户。

        ②根据饼图可知该公司最多的是重要价值和重要发展客户，这些客户占比占到了总体的47%，创造价值的主力，重要发展客户最近交易较少，可及时推送活动等方式挽回客户。

        ③一般挽留客户和一般发展客户占比约40%，针对这类客户获取其详细信息进行用户画像，了解用户的消费需求，对这类的用户进行更加精准的营销，及时推送产品信息。

        ④对于重要保持和重要挽留客户，以赠送优惠劵、推送折扣信息等措施增加用户活跃度。